信息技术的发展使人们可获取的信息快速增长，同时，信息的大量呈现也使得信息过载问题随之而来。为了帮助用户在大量的信息中发现符合其需求或者兴趣的内容，个性化推荐技术应运而生并蓬勃发展起来。传统的推荐算法利用观测到的数据估计用户的兴趣模型，进而利用该兴趣模型为用户产生推荐结果。实际应用中更多地应用向量模型作为用户兴趣模型，然而向量模型无法体现用户兴趣的多模性等特征；此外，推荐系统往往会面临数据稀疏等问题的挑战，导致推荐精度不高。如何能够更好地从已有数据中挖掘用户兴趣以及利用更多的其他数据帮助建立更准确的用户兴趣模型是本文工作的出发点。　　 首先，提出了一种基于核方法的User-based协同过滤推荐算法(KUCF)，该方法能够充分挖掘用户在未评分项目上的兴趣分布，进而可以建立更符合实际情况的用户兴趣模型。通过估计两个用户兴趣分布的相似性，建立了用户之间的兴趣相似性度量，同时也确立了协同过滤中的用户邻居集。根据此邻居集便可以通过一定的评分预测规则为用户进行评分预测，也即完成推荐任务。实验结果表明，基于核方法的协同过滤推荐比传统的协同过滤推荐在性能上有了明显的提升，尤其在数据稀疏的情况下，本文所提出的方法能有稳定的系统输出。　　 其次，提出了一种基于社会关系挖掘的图书推荐算法。随着互联网的进一步发展，社交网络软件(SNS)日益兴起。通过社交网络，人们产生了大量与其社会关系以及兴趣相关的数据，利用该数据可以更方便直接地为用户建立兴趣模型。从这个角度出发，本文研究了基于SNS的图书推荐算法，将社会网络与图书推荐系统结合起来，通过标签向量的引入，建立基于标签向量的用户兴趣模型，从而避开了因评分数据缺失所造成的数据稀疏问题。此外，我们还通过社会网络软件直接获取了用户的群体关系，依据社交网络产生的用户群体，实现了个性化的图书推荐。　　 最后，构建了一个实用的个性化推荐系统，并基于此系统介绍了个性化推荐算法在实际系统中的应用。将理论研究的成果应用到实践中时，往往需要根据实际情况对理论做必要地调整。本文介绍了相关的个性化推荐算法在图书馆交互式教学科研系统(LISER)中部署时的必要调整以及为了适应线上应用实时性的需求所做出的改进，并展示了推荐算法在实际系统中的实践效果。